SIMPC：学习自诱导镜像点一致性用于无监督点云去噪
计算机视觉与模式识别
2026-05-27 v1
摘要
在点云中，噪声直接扰动点坐标，这些坐标编码了空间位置和几何信息，这使得构建一对一对应关系的任务比图像更具挑战性。现有方法通过噪声或最优传输施加统计映射跨噪声变体，但 suffer from 对应歧义。在本工作中，我们提出自诱导镜像点一致性（SIMPC）以无监督方式学习点与底层曲面之间的确定性对应关系。对于每个噪声点，SIMPC 在底层曲面的另一侧生成一个镜像点，引导几何先验进行去噪。通过鼓励原始点及其镜像点去噪目标之间的一致性，SIMPC 有效定位底层曲面的位置。大量实验在合成数据集和真实世界数据集上表明，SIMPC 在无监督方法中显著优于最先进的技术，并超过数个强大的监督方法。
引用
@article{arxiv.2605.26894,
title = {SIMPC: Learning Self-Induced Mirror-Point Consistency for Unsupervised Point Cloud Denoising},
author = {Chengwei Zhang and Xueyi Zhang and Tao Jiang and Xinhao Xu and Wenjie Li and Fubo Zhang and Longyong Chen},
journal= {arXiv preprint arXiv:2605.26894},
year = {2026}
}
备注
Accepted by ICML 2026. 17 pages, 8 figures, 8 tables